3. Produire une fiche station

Pascal Irz

09/10/2024

Objectif

Il s’agit de construire, à partir des données de la base Aspe, une fiche station rassemblant plusieurs indicateurs soit pour la dernière opération réalisée, soit en tendance interannuelle.

Le détail des premières étapes de constitution des tables sont donnés dans les autres vignettes.

Activation des packages et chargement des données

library(aspe)
library(tidyr)
library(ggplot2)
library(forcats)
library(dplyr)

misc_charger_donnees_test()
# load(file = "../../../raw_data/rdata/tables_sauf_mei_2023_04_07_09_39_32.RData")

Le peuplement

Construction du dataframe de base

On choisit ici à titre d’exemple la station avec le sta_id 10925, Le Trieux à Plésidy.

aspe <- aspe::mef_creer_passerelle() %>% 
  filter(sta_id == 10844) %>% 
  mef_ajouter_ope_date() %>% # ajout de la date
  mef_ajouter_libelle() %>% # ajout des libellés station
  mef_ajouter_lots() # ajout des lots

Agrégation des captures à l’opération et calcul de la densité.

ope_capt <- aspe %>%  
  group_by(sta_id,
           pop_id,
           pop_libelle,
           ope_date,
           ope_id,
           annee,
           esp_code_alternatif) %>% 
  summarise(effectif = sum(lop_effectif)) %>% 
  ungroup() %>% 
  mef_ajouter_surf_calc() %>% # ajout de la surface prospectée 
  mutate(effectif = replace_na(effectif, 0),
         densite = 1000 * effectif / ope_surface_calculee) %>% # calcul densité
  droplevels() %>% 
  mef_ajouter_type_protocole() # 

Dynamique du peuplement

aspe::gg_temp_peuplement(df = ope_capt, var_id_sta = pop_id, var_libelle_sta = pop_libelle)

Etat du milieu

L’IPR

Construction du tableau

ipr_station <- aspe %>%
  select(ope_id,
         annee,
         pop_libelle) %>% 
  distinct() %>% 
  mef_ajouter_ipr()

Graphique

La fonction ip_completer_classes_couleur() sert à ajouter le code couleur qui convient à chaque classe de qualité en vue de produire ’arrière-plan du graphique.

classe_ipr <- classe_ipr %>% 
  ip_completer_classes_couleur()

On produit ensuite le graphique avec la fonction gg_temp_ipr().

gg_temp_ipr(df_ipr = ipr_station,
            var_id_sta = pop_libelle,
            var_ipr = ipr,
            max_axe_y = 35,
            df_classes = classe_ipr)

Les métriques IPR

Construction du tableau

metriques_station <- aspe %>%
  select(ope_id,
         annee,
         pop_libelle) %>% 
  distinct() %>% 
  mef_ajouter_metriques() %>% 
  select(-(ner_theorique:dti_observe)) %>% 
  pivot_longer(cols = ner:dti,
               names_to = "metrique",
               values_to = "valeur")

Graphiques

Avec la fonction gg_temp_metriq() il est possible de représenter sur un même graphique les 7 métriques constitutives de l’IPR et de bien visualiser celles qui sont déclassantes.

gg_temp_metriq(
  df_metriques = metriques_station,
  var_id_sta = pop_libelle,
  var_nom_metrique = metrique,
  var_valeur_metrique = valeur,
  df_classes = classe_ipr
)

On peut préférer la fonction gg_temp_metriq_grille() pour mieux visualiser les tendances par métrique.

gg_temp_metriq_grille(
  df_metriques = metriques_station,
  var_id_sta = pop_libelle,
  var_nom_metrique = metrique,
  var_valeur_metrique = valeur
)

Variables environnementales

Préparation des données

On prépare un dataframe dans un format qui permettra ensuite de produire la présentation graphique des données environnementales qui varient d’une opération de pêche à une autre :

• Ajout des données environnementales au dataframe de base avec les fonctions mef_ajouter_ope_env() et mef_ajouter_ope_desc_peche()
• Passage en format “long”
• Mise dans l’ordre souhaité des variables à représenter

env_station <- aspe %>%
  select(pop_id,
         ope_id,
         annee,
         pop_libelle) %>% 
  distinct() %>% 
  mef_ajouter_ope_env() %>% 
  mef_ajouter_ope_desc_peche() %>% 
  select(annee, odp_duree_peche:odp_puissance) %>% 
  pivot_longer(cols = odp_duree_peche:odp_puissance,
               names_to = "variable",
               values_to = "valeur") %>% 
  mutate(variable = as.factor(variable),
         variable = fct_relevel(variable,
                                "odp_largeur_lame_eau",
                                "odp_longueur",
                                "odp_temperature_instantanee"))

Calul des moyennes interannuelles par variable.

moyennes <- env_station %>% 
  group_by(variable) %>% 
  summarise(moyenne = mean(valeur, na.rm = TRUE))

Présentation graphique

ggplot(data = env_station,
       aes(x = annee,
           y = valeur)) +
  geom_bar(stat = "identity",
           fill = "darkgreen") +
  facet_wrap(~variable, scales = "free_y") +
  geom_hline(data = moyennes,
             aes(yintercept = moyenne),
             linetype = "dotted",
             col = "red") +
  labs(x = "Année",
       y = "")